腾讯联合西湖大学发布首个大规模多用途推荐系统数据集, 可评估超10种推荐任务...

省时查报告-专业、及时、全面的行研报告库

省时查方案-专业、及时、全面的营销策划方案库

【免费下载】2022年10月热门报告合集

某视频APP推荐系统详细拆解微信视频号实时推荐技术架构分享小红书推荐中台实践快手推荐系统精排模型实践

网易严选推荐算法实践

爱奇艺推荐中台探索与实践

针对当前数据集存在的小规模以及有限的用户反馈形式等问题，腾讯联合西湖大学发布了一个大规模的多用途推荐系统数据集Tenrec。基于该数据集，还验证了10种不同的推荐任务上的基线性能。

论文：https://arxiv.org/abs/2210.10629

对于论文所涉及的代码、数据集以及榜单可在以下链接获取：
https://github.com/yuangh-x/2022-NIPS-Tenrec

该数据集来自腾讯的两个信息流（文章和视频）推荐平台，分别是OK平台和QB平台，每个平台有两个信息源，即文章和视频，两个平台有不同程度的重叠比例。

该数据集的统计信息如下，分别统计了每个平台的用户数量、物品数量、点击数量、喜欢数量等常用的指标。

针对于该数据集，收集了2021年9月17日至12月7日的QK和QB的用户行为日志。具体收集过程如下：首先从QK-video数据库中随机抽取约502万用户，要求每个用户至少有5次视频点击行为；然后，提取他们的反馈（约4.93亿），包括正面反馈（即视频点击、分享、喜欢和关注）和负面反馈（有曝光但没有用户行动）；最后，得到约1.42亿次点击、1000万次喜欢、100万次分享和86万次关注，同时还有375万个视频。此外，还有用户的年龄和性别特征，以及物品的视频类型特征。另外对QK-article、QB-video和QB-article执行类似的数据提取策略。

值得说明的是，该数据集（1）所有user和item及相关特征都经过脱敏处理；（2）sota结果可以通知作者，及时更新leaderboard；（3）基于Tenrec的新任务可以建立新的leaderboard。目前相关网站正在建设中。

具体来说，该数据集包含以下特点：

1. 大规模，包含大约500万用户和1.4亿次交互数据；

2. 反馈形式多样，不仅包含正反馈，还包含真正的负样本；

3. 用户/物品存在重叠，其在4个场景中存在重叠的用户和物品；

4. 正反馈形式多样，包括点击、喜欢、分享等；

5. 边信息丰富，除了用户和物品ID外，还有其他辅助信息。

下图a和b展示了QK-video数据集点击行为的物品流行度分布，其明显的呈现出长尾分布的特征。图c展示了会话的长度分布，可以看出大部分的长度分布在[0-20]区间段。

基于以上优势，Tenrec可以被用来评估广泛的推荐任务。在本文中，其通过十个推荐任务来研究它的特性，包括（1）点击率预估，（2）基于会话的推荐，（3）多任务推荐，（4）跨域推荐，（5）用户属性预测，（6）冷启动推荐，（7）终身用户表示学习，（8）模型压缩，（9）模型训练加速，和（10）模型推理加速。在这些任务之外，可以很容易地整合上述的一些特点，提出更多的或新的任务。

接下来介绍每个推荐任务的实验结果，对于每个任务具体的实验设置以及所用数据集可移步原文进行精读，在此只列出部分实验数据。

点击率预估实验结果

会话推荐实验结果

多任务推荐实验结果

跨域推荐实验结果

用户属性预测实验结果

冷启动推荐实验结果

终身表示学习实验结果

推荐模型压缩实验结果

模型训练加速实验结果

模型推理加速实验结果

本文提出了Tenrec，其是最大和最通用的推荐数据集之一，涵盖了具有各种用户反馈类型的真实世界场景。为了显示其广泛的效用，在十个不同的推荐任务上进行了实验验证，并对经典的深度模型进行了测试。通过公布代码、数据集和每个任务的排行榜，以促进推荐社区的研究。

「 更多干货，更多收获 」

腾讯信息流推荐业务实践

【免费下载】2022年10月份热门报告盘点

机器学习在B站推荐系统中的应用实践

腾讯人力资源与组织管理体系

小红书推荐中台实践.pdf如何搭建一个好的指标体系？如何打造标准化的数据治理评估体系？

【干货】小米用户画像实践.pdf（附下载链接）

推荐系统解构.pdf（附下载链接）

短视频爆粉表现指南手册.pdf（附下载链接）

推荐系统架构与算法流程详解如何搭建一套个性化推荐系统？

关注我们

智能推荐 个性化推荐技术与产品社区

长按并识别关注

一个「在看」，一段时光👇